論文の概要: Fault Tolerant Neural Control Barrier Functions for Robotic Systems
under Sensor Faults and Attacks
- arxiv url: http://arxiv.org/abs/2402.18677v1
- Date: Wed, 28 Feb 2024 19:44:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 16:51:33.058091
- Title: Fault Tolerant Neural Control Barrier Functions for Robotic Systems
under Sensor Faults and Attacks
- Title（参考訳）: センサ故障・攻撃時のロボットシステムの耐故障性ニューラルネットワークバリア機能
- Authors: Hongchao Zhang, Luyao Niu, Andrew Clark, Radha Poovendran
- Abstract要約: センサ故障および攻撃下でのロボットシステムの安全臨界制御合成について検討した。
我々の主な貢献は、障害耐性神経制御バリア機能(FT-NCBF)と呼ばれる新しいCBFの開発と合成である。
- 参考スコア（独自算出の注目度）: 6.314000948709254
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Safety is a fundamental requirement of many robotic systems. Control barrier
function (CBF)-based approaches have been proposed to guarantee the safety of
robotic systems. However, the effectiveness of these approaches highly relies
on the choice of CBFs. Inspired by the universal approximation power of neural
networks, there is a growing trend toward representing CBFs using neural
networks, leading to the notion of neural CBFs (NCBFs). Current NCBFs, however,
are trained and deployed in benign environments, making them ineffective for
scenarios where robotic systems experience sensor faults and attacks. In this
paper, we study safety-critical control synthesis for robotic systems under
sensor faults and attacks. Our main contribution is the development and
synthesis of a new class of CBFs that we term fault tolerant neural control
barrier function (FT-NCBF). We derive the necessary and sufficient conditions
for FT-NCBFs to guarantee safety, and develop a data-driven method to learn
FT-NCBFs by minimizing a loss function constructed using the derived
conditions. Using the learned FT-NCBF, we synthesize a control input and
formally prove the safety guarantee provided by our approach. We demonstrate
our proposed approach using two case studies: obstacle avoidance problem for an
autonomous mobile robot and spacecraft rendezvous problem, with code available
via https://github.com/HongchaoZhang-HZ/FTNCBF.
- Abstract（参考訳）: 安全性は多くのロボットシステムの基本要件である。
制御障壁関数(CBF)に基づくアプローチは、ロボットシステムの安全性を保証するために提案されている。
しかし、これらの手法の有効性はCBFの選択に大きく依存している。
ニューラルネットワークの普遍近似力に触発されて、ニューラルネットワークを使用してCBFを表現する傾向が高まり、ニューラルCBF(NCBF)の概念が導かれる。
しかし現在のCBFは、良質な環境で訓練され、展開されているため、ロボットシステムがセンサーの故障や攻撃を経験するシナリオでは効果がない。
本稿では,センサ故障および攻撃下でのロボットシステムの安全臨界制御合成について検討する。
我々の主な貢献は、障害耐性神経制御バリア機能(FT-NCBF)と呼ばれる新しいCBFの開発と合成である。
FT-NCBFの安全性を保証するために必要かつ十分な条件を導出し、この条件を用いて構築された損失関数を最小化してFT-NCBFを学習するためのデータ駆動手法を開発した。
学習したFT-NCBFを用いて制御入力を合成し、我々のアプローチによる安全保証を正式に証明する。
本稿では,自律移動ロボットの障害物回避問題と宇宙船ランデブー問題とを, https://github.com/HongchaoZhang-HZ/FTNCBF で示す。
関連論文リスト
- Verification of Neural Control Barrier Functions with Symbolic Derivative Bounds Propagation [6.987300771372427]
本稿では,ReLUに基づくニューラルCBFの有効検証フレームワークを提案する。
シンボル境界は、ニューラルCBFヤコビアンおよび非線形系力学の内積によって伝播可能であることを示す。
論文 参考訳（メタデータ） (2024-10-04T21:42:25Z) - Learning Local Control Barrier Functions for Safety Control of Hybrid
Systems [11.57209279619218]
安全はハイブリッドロボットシステムにとって主要な関心事である。
既存のハイブリッドシステムに対する安全クリティカルな制御アプローチは、計算的に非効率であり、システム性能に有害であるか、小規模システムに限定されている。
本研究では,局所制御バリア関数 (CBF) を構築するための学習可能なアプローチを提案する。
論文 参考訳（メタデータ） (2024-01-26T14:38:43Z) - Safe Neural Control for Non-Affine Control Systems with Differentiable
Control Barrier Functions [58.19198103790931]
本稿では,非アフィン制御系における安全クリティカル制御の問題に対処する。
制御バリア関数(CBF)を用いて,状態制約と制御制約の2次コストの最適化を2次プログラムのシーケンス(QP)にサブ最適化できることが示されている。
我々は,高次CBFをニューラル常微分方程式に基づく学習モデルに差分CBFとして組み込んで,非アフィン制御系の安全性を保証する。
論文 参考訳（メタデータ） (2023-09-06T05:35:48Z) - Safe Control Under Input Limits with Neural Control Barrier Functions [3.5270468102327004]
入力飽和を回避する制御バリア関数(CBF)をベースとした安全制御系を新たに構築する手法を提案する。
ニューラルネットワークやディープラーニングといった機械学習のテクニックを活用して、非線形制御設計におけるこの難しい問題を単純化します。
本研究では,10D状態,4D入力クアッドコプター-ペンデュラムシステムに対する実験結果について述べる。
論文 参考訳（メタデータ） (2022-11-20T19:01:37Z) - Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。
次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。
これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
論文 参考訳（メタデータ） (2022-08-23T05:02:09Z) - BarrierNet: A Safety-Guaranteed Layer for Neural Networks [50.86816322277293]
BarrierNetは、ニューラルコントローラの安全性の制約が環境の変化に適応できるようにする。
本研究では,2次元空間と3次元空間における交通統合やロボットナビゲーションといった一連の制御問題について評価する。
論文 参考訳（メタデータ） (2021-11-22T15:38:11Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z) - Pointwise Feasibility of Gaussian Process-based Safety-Critical Control
under Model Uncertainty [77.18483084440182]
制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。
本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-13T23:08:49Z) - Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。
最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。
私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
論文 参考訳（メタデータ） (2020-04-07T12:29:06Z) - Training Neural Network Controllers Using Control Barrier Functions in
the Presence of Disturbances [9.21721532941863]
本稿では,ニューラルネットワークに基づくフィードバックコントローラの学習に模倣学習を用いることを提案する。
また,外乱下におけるシステムのための新しい高次CBFも開発している。
論文 参考訳（メタデータ） (2020-01-18T18:43:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。